服饰产品智能化设计是服装行业高质量发展的重要环节。而面对海量的服饰图案,图案信息快速高效的读取还存在以下一些的问题:首先,服饰图案以面料为载体,而面料中固有的纹理会对图案信息产生干扰,影响有效读取;再者,服饰图案中常常包含多个图案元素,每个元素包含了独立的内在含义,是图案信息提取的关键,传统的手工提取图案元素的方法在处理大批量图像时存在明显不足;其三,现有的服饰图案元素自动提取方法,往往只考虑轮廓信息,而忽略了图案的颜色信息和内部结构,无法实现有效的存储。针对以上问题,本课题从服饰图案图像纹理剔除、有效信息保留和图案元素的自动提取有效存储两点展开研究,文章的主要内容如下:本课题分析了服饰图案数字化的研究现状和发展趋势,然后以印花织物图案为例展开研究,用VIZOO X-Tex扫描软件获得服饰图案图像100例,搭建了服饰图案图像处理的软件平台(Open CV 3.4+VS 2017)。选择双线性插值法归一化服饰图案的尺寸提高传输效率;采用双边滤波算法剔除载体织物纹理,保留了图案主结构、色彩、边缘轮廓信息。同时,本文的双边滤波算法与方框滤波、均值滤波、高斯滤波、中值滤波进行比较分析,证明了本文方法具有显著优越性。为了突出彩色图案信息,在实验中加入图案对比度和亮度的调整。对于GrabCut算法依赖手动输入的先验知识的缺点,引入HC和AC显著分析方法得到显著和非显著区域,使图案前景和背景分离。并将其作为图案分割的先验知识输入GrabCut算法,初始优化全协方差高斯混合模型(GMM)建立精简网络,使GrabCut算法多次迭代自动产生GMM的最优参数,并实现彩色服饰图案元素的最终分割。提出了基于图案对比度和GrabCut提取服饰图案元素的方法,首先对获取的织物图案图像进行对比度和显著性分析,然后把图案信息与背景的对比信息作为先验知识输入分割模型,进行GMM参数估计和精简网络建立,减少手动参数试错的过程,优化了服饰图案元素提取时的实操性。从用户操作角度考虑,完成了服饰图案元素提取与存储的集成程序界面设计与开发。然后将其应用于服饰图案元素提取实例中,随机选取30例服饰图案元素,对照PS人工抠取图案元素结果,得出本文算法的召回率平均值为99.426%,准确率平均值为98.703%,Jaccard相似指数平均值为98.139%,F-measure综合指标平均值为99.016%,整体看来本文中基本元素的提取效果可以满足设计要求。本课题提出适用于彩色图案图像主结构的提取方法,在去除织物组织纹理结构的同时,可大量保留图案的边缘、细节结构和色彩信息,提高图案质量。提出基于对比度和GrabCut算法的图案元素提取方法,只需要少量的用户交互操作,即可提取出具有“形、色、结构”的服饰图案元素,可实现了快速有效存储。该方法的提出使图案设计和生产环节更智能化,同时也为服装设计辅助系统开发提供一定的参考。